Název:
Techniques For Avoiding Model Overfitting On Small Dataset
Autoři:
Kratochvila, Lukas Typ dokumentu: Příspěvky z konference
Jazyk:
eng
Nakladatel: Vysoké učení technické v Brně, Fakulta elektrotechniky a komunikačních technologií
Abstrakt:
Building a deep learning model based on small dataset is difficult, even impossible. Toavoiding overfitting, we must constrain model, which we train. Techniques as data augmentation,regularization or data normalization could be crucial. We have created a benchmark with a simpleCNN image classifier in order to find the best techniques. As a result, we compare different types ofdata augmentation and weights regularization and data normalization on a small dataset.
Klíčová slova:
Batch Normalization; Data Augmentation; Data Normalization; Dataset size; Deep Learning; ImageClassification; Overfitting; Regularization Zdrojový dokument: Proceedings I of the 27st Conference STUDENT EEICT 2021: General papers, ISBN 978-80-214-5942-7
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/200799